基于深度强化学习的流水线预测性维护决策

来源：计算机集成制造系统杂志2021年第12期北京时间：

作者：崔鹏浩,王军强,张文沛,李洋

单位：1.西北工业大学生产与运作系统性能分析中心2.西北工业大学机电学院工业工程系

摘要：预测性维护是一种以设备工作状态为依据的维护决策方式,旨在降低维护成本的同时提高设备乃至生产系统的运作效率。针对考虑机器劣化过程的多机流水线,以产线性能评估为基础,分析系统运行过程中机器的维护时机,研究流水线预测性维护决策问题。首先,分析了机器故障和维护活动对系统状态转移过程的影响,基于马尔科夫链构建了流水线瞬态性能评估模型,揭示了机器故障和维护活动对生产过程影响的作用机理,量化了系统瞬态产出和在制品水平等性能指标。其次,综合考虑在制品库存成本、缺货惩罚成本和预测性维护成本,以最小化系统总成本为目标,基于马尔科夫决策过程建立了流水线预测性维护决策模型。利用所提的瞬态性能评估模型模拟流水线的实时运行过程,产生神经网络训练所需的数据,利用深度强化学习算法对问题进行近似求解,获得了有效的流水线预测性维护策略。仿真实验结果表明,所提预测性维护决策方法既保证了流水线产出,又降低了在制品库存和维护成本。

关键词：预测性维护决策,流水线,深度强化学习,数字孪生车间

基金资助：国家重点研发计划资助项目(2019YFB1703800);国家自然科学基金资助项目(52075453,52175485,71931007);航空科学基金资助项目(2019ZG053001)。